Vision Board 輕松完成【電賽E題】

題目簡述

一、 任務

設計并制作三子棋游戲裝置，能夠控制機械臂或其他機構放置棋子，實現(xiàn)人 機對弈。圖 1 所示的三子棋棋盤和棋子位置示意圖中，棋盤由黑色實線圍成 9 個方格，人、機分別從棋子放置處拾取棋子并放置到方格中，先將己方的 3 個棋 子連成一線（橫連、豎連、斜連皆可）即獲勝。

二、 要求

（1）裝置能將任意 1 顆黑棋子放置到 5 號方格中。（5 分）

（2）裝置能將任意 2 顆黑棋子和 2 顆白棋子依次放置到指定方格中。（20 分）

（3）將棋盤繞中心±45°范圍內(nèi)旋轉(zhuǎn)后，裝置能將任意 2 顆黑棋子和 2 顆 白棋子依次放置到指定方格中。（20 分）

（4）裝置執(zhí)黑棋先行與人對弈（第 1 步方格可設置），若人應對的第 1 步白 棋有錯誤，裝置能獲勝。（20 分）

（5）人執(zhí)黑棋先行，裝置能正確放置白棋子以保持不輸棋。（20 分）

（6）對弈過程中，若人將裝置下過的 1 顆棋子變動位置，裝置能自動發(fā)現(xiàn) 并將該棋子放置回原來位置。（10 分）

Vision Broad開發(fā)板簡述

開發(fā)板描述：Vision Board搭載全球首顆 480 MHz Arm Cortex-M85芯片，擁有Helium和TrustZone技術的加持。SDK包里集成了OpenMV機器視覺例程，配合MicroPython 解釋器，使其可以流暢地開發(fā)機器視覺應用。Vision Board具有以下主要特點：

強大的處理性能：Vision Board搭載了全球首款基于 ARM Cortex-M85 架構的瑞薩電子RA8 MCU，6.39 CoreMark/MHz，可以快速而高效地運行機器視覺算法，實現(xiàn)圖像處理、等功能。

完整支持OpenMV生態(tài)：Vision Board完全兼容OpenMV開發(fā)平臺，用戶可以直接使用OpenMV IDE進行編程和開發(fā)，利用豐富的API和庫函數(shù)進行圖像處理和計算機視覺任務。

友好的學習環(huán)境：提供簡潔易用的開發(fā)環(huán)境和示例項目，帶領初學者快速上手機器視覺、GUI等應用。同時具有豐富的文檔資料供給開發(fā)者學習。

可擴展性：豐富的擴展接口，如攝像頭、MIPI-DSI、RGB666、樹莓派兼容IO、BTB拓展接口等，用戶可以根據(jù)自己的需求連接其他外設或模塊，如以太網(wǎng)、CAN/LIN、傳感器、執(zhí)行器等，實現(xiàn)更復雜的應用場景。

板載資源：

外設支持情況：

支持的 IDE：RT-Thread Studio、MDKV538。OpenMV工程目前僅支持MDK開發(fā)

三子棋思路

找棋盤

生成居中的九宮格區(qū)域

函數(shù) generate_centered_rois 的目的是生成一個九宮格的區(qū)域，每個區(qū)域都包含棋盤上的一個方塊，并且這些區(qū)域在整個圖像中居中。函數(shù)的參數(shù)包括圖像的寬度和高度、每個方塊的邊長 b 以及感興趣區(qū)域（ROI）的邊長 k。

函數(shù)定義

步驟解析

1.初始化區(qū)域列表：

rois 是一個列表，用于存儲每個 ROI 的坐標和大小。

2.計算每個 ROI 中心的位置偏移：

偏移量 offset 是為了確保 ROI 在每個方塊的中心。b 是方塊的邊長，而 k 是 ROI 的邊長。

3.計算整個九宮格的總寬度和高度：

因為九宮格有 3 行 3 列，每個方塊的邊長為 b，所以總寬度和高度分別是 3 * b。

4.計算左上角的起始點：

為了使九宮格在圖像中居中，我們計算左上角的起始點 start_x 和 start_y。它們分別是圖像寬度和高度減去九宮格的總寬度和高度的一半。

5.生成九宮格區(qū)域：

使用雙重循環(huán)生成每個 ROI 的坐標。

x_center 和 y_center 計算每個方塊的中心位置。

x 和 y 是 ROI 的左上角坐標，減去 k // 2 是為了將 ROI 的中心對齊到方塊的中心。

最后，將每個 ROI 添加到 rois 列表中。

6.返回 ROI 列表：

視覺化解釋

假設圖像的寬度和高度分別為 320 和 240，每個方塊的邊長 b 為 43，每個 ROI 的邊長 k 為 10。九宮格將會在圖像中居中，每個 ROI 將位于方塊的中心，形成一個規(guī)則的 3x3 矩陣。

找棋子

棋子識別的關鍵在于處理圖像并根據(jù)灰度值來判斷每個方塊中是否存在棋子，以及棋子的顏色是黑色還是白色。這個過程在 while 循環(huán)中進行。

代碼段

步驟解析

1.抓取圖像和鏡頭矯正：

使用 Vision Broad的攝像頭捕獲當前圖像，并進行鏡頭矯正，以減少鏡頭畸變。

2.遍歷所有 ROI（感興趣區(qū)域）：

使用雙重循環(huán)遍歷之前生成的九宮格區(qū)域 rois。

3.計算灰度值的平均值：

對每個 ROI 計算灰度值的平均值。img.get_statistics(roi=rois[y][x]) 返回一個統(tǒng)計對象，包含了該 ROI 內(nèi)的像素統(tǒng)計數(shù)據(jù)。通過 mean() 方法可以得到該區(qū)域的平均灰度值。

4.判斷灰度值來確定棋子：

如果灰度值小于 100，則認為該區(qū)域有一個黑色棋子（"X"）。

如果灰度值大于 200，則認為該區(qū)域有一個白色棋子（"O"）。

否則，該區(qū)域為空（" "）。

博弈策略計算

minimax 函數(shù)

minimax 函數(shù)使用遞歸的方法評估所有可能的棋步，并為每個棋步計算一個分數(shù)，以確定最佳移動。

步驟解析

1.定義變量：

定義機器人棋子為 ‘X’，玩家棋子為 ‘O’。

2.檢查終止條件：

如果機器人贏了，返回一個正分（10 減去深度，越快贏分數(shù)越高）。

如果玩家贏了，返回一個負分（深度減去 10，越快輸分數(shù)越低）。

如果平局，返回 0 分。

遞歸搜索：

機器人最大化得分：

初始化 best_score 為負無窮。

遍歷每個空位置，模擬機器人下棋。

遞歸調(diào)用 minimax 計算對方的最佳應對分數(shù)。

恢復棋盤狀態(tài)，更新 best_score。

返回最佳分數(shù)。

玩家最小化得分：

初始化 best_score 為正無窮。

遍歷每個空位置，模擬玩家下棋。

遞歸調(diào)用 minimax 計算機器人的最佳應對分數(shù)。

恢復棋盤狀態(tài)，更新 best_score。

返回最佳分數(shù)。

computer_move 函數(shù)

computer_move 函數(shù)用來確定機器人下一步應該下到哪里。

步驟解析

1.初始化變量：

初始化 best_score 為負無窮，用來追蹤最佳分數(shù)。move 用來記錄最佳移動位置。

2.遍歷棋盤找空位：

遍歷每個位置，如果是空位，模擬機器人在此下棋。

調(diào)用 minimax 計算此移動的分數(shù)。

恢復棋盤狀態(tài)。

如果當前移動的分數(shù)大于 best_score，更新 best_score 和 move。

3.返回最佳移動位置：

如果找到最佳移動位置，返回該位置的坐標。

總結

Minimax 算法：通過遞歸搜索所有可能的棋步，評估每個棋步的得分，最大化機器人的得分，最小化玩家的得分。

確定最佳移動：遍歷所有可能的移動，調(diào)用 minimax 算法計算每個移動的得分，并選擇得分最高的移動。

贏者檢測

贏者檢測是通過 check_win 函數(shù)實現(xiàn)的。該函數(shù)會檢查棋盤的行、列和對角線，判斷某個玩家是否已經(jīng)獲勝。

check_win 函數(shù)

步驟解析

1.檢查行和列：

遍歷每一行，檢查該行是否全部是當前玩家的棋子。如果是，返回 True。

遍歷每一列，檢查該列是否全部是當前玩家的棋子。如果是，返回 True。

2.檢查對角線：

檢查主對角線（從左上到右下），是否全部是當前玩家的棋子。如果是，返回 True。

檢查副對角線（從右上到左下），是否全部是當前玩家的棋子。如果是，返回 True。

3.未找到獲勝者：

如果沒有找到任何一行、一列或?qū)蔷€全部是當前玩家的棋子，返回 False。

完整代碼：